基于自适应方向模板搜索的 FPC 走线薄浆检测

本文薄浆是柔性印刷电路板(FPC)导电涂层的一种缺陷,为避免其对电路性能产生不良影响而造成经济损失,将薄浆 位置检测出来进行修补或直接剔除板材均是合理的处理方式。 然而由于薄浆缺陷尺寸不定、光照不均致使图像灰度分布不均 匀、走线区域与背景纵横交错等问题,使得走线上薄浆的检测具有一定难度。 针对该问题,在对薄浆纹理及 FPC 走线形态特征 进行详细分析的基础上,提出了一种基于自适应方向模板(ADT)和灰度差分法的检测方案。 首先,使用定义的 ADT 模板按照 骨架跟踪流程对预处理所得图像的走线区域进行遍历,分别搜索相对于该 ADT 模板尺寸而定义的大、小尺度薄浆纹理的端部 和全部候选像素,从而将预处理图像分割成若干小区域;然后,根据各小区域的能量倾向值与预设阈值的数值关系对其中的边 缘噪声区域加以排除;最后,采用灰度差分法对上述两个步骤处理所得结果中的非缺陷区域进行再次筛查,从中提取出大尺度 薄浆纹理的中间区域,至此实现全部薄浆纹理的检测。 在自建图库 SUT-F2 上进行了测试,结果显示本文方法对薄浆缺陷检测 的等误率仅为 3. 92%,相对于其他典型纹理特征提取和薄浆检测方法其等误率至少降低了 5. 28%,表明了本文方法的高效性, 具有实际应用价值。     

基于骨架的柔性变形FPC断路检测

为了解决柔性印刷电路(FPC)翘曲变形容易导致图像出现柔性形变现象造成当前的FPC断路检测方法性能降低的问题,在建立柔性形变模型、分析形变机理的基础上,提出了一种基于骨架处理策略的检测方案。首先提取预处理后FPC图像的线路骨架,然后将其输入到建立的动态模板尺度空间(DTSS)模型中,以去除骨架的分支噪声、得到‘纯净’骨架;接着,提取上一步骤处理所得骨架的全部端点,并通过形态学操作和局部模板匹配定位线路异形结构区域,剔除该端点集合中处于异形结构区域内的噪声端点,从而得到断路端点集合,再根据集合中成员与图像位置的对应关系识别断路缺陷。在基于实际环境建立的SUT-F1图库上进行了算法效果验证,并与其他经典方法进行了对比分析。结果表明,本文方法具备良好的抗形变性能,检测正确率(CDR)高达99.30%,误检率(FDR)低至2.25%,表明了方法的有效性;相比于其他方法,CDR至少提高了5.03%,FDR最少降低了8.22%,显示了方法的优势,且具有一定的实际应用价值。     

基于并查集和约束集合的雪糕棒表面污染检测*

雪糕棒表面的污染缺陷会严重影响其卫生安全,是雪糕棒生产企业质量检测的重要内容,而由于人工检测存在低效率、低精度、卫生隐患等问题,促使雪糕棒表面缺陷的检测已逐步向自动化方向发展。为了解决由于污染缺陷尺寸不定、光照分布不均等造成当前雪糕棒表面污染缺陷检测算法性能不佳的问题,本文在对其进行详细分析的基础上,提出了一种基于并查集和约束集合相结合的检测方案。首先进行图像预处理,根据先验知识对目标雪糕棒进行粗定位,进而通过OTSU算法分割出感兴趣区域;然后,基于并查集算法结合定义的最小区域距离值和灰度差分值将目标雪糕棒表面满足预设阈值条件的像素点合并起来,即将上一步骤预处理所得图像分割成了若干子区域;最后,根据定义的约束集合对各子区域进行筛查以去除其中的噪声区域,从而实现污染缺陷的检测。在自建的图像数据库SUT-I1上进行了算法效果测试,结果表明,本文方法对污染缺陷检测的等误率仅为4.78%,与其它检测方法相比其等误率至少降低了9.44%,体现出本文方法的优越性,具有一定的实际应用价值。     

雪糕棒轮廓质量视觉在线检测方法*

雪糕棒加工过程中会产生长度和宽度超差、侧弯、偏头、平头、头部多肉、劈裂等轮廓问题,目前生产厂家主要依据人眼进行检测,检测精度和速度都难以得到保障。针对上述轮廓质量问题,提出了一套基于机器视觉的雪糕棒轮廓质量在线检测方法,使用了canny算子提取轮廓候选像素,通过去噪和间隙连接形成的完整闭合轮廓用于各项缺陷检测。其中运用零阶矩和一阶矩获得雪糕棒质心,并通过一阶矩和二阶矩获得最小外接矩形,由最小外接矩形的长宽表示雪糕棒的长宽;通过建立的圆模型与雪糕棒圆弧区的最大偏离距离判断多肉和平头缺陷;通过投影与局部阈值分割相结合的方法检测劈裂缺陷。根据所提出的方案研制了样机,现场测试结果表明,本文所提出的检测方案能够有效的实现上述参数的在线检测,并具有较高的检测准确率和精度。     

基于纹理脊线特征融合的木材表面裂缝检测

裂缝是木材表面一种严重缺陷,对木材的加工和使用影响极大,然而,由于裂缝与木材表面的矿物线具有诸多相似之处,因此如何准确地将裂缝纹理识别出来是一个亟待解决的问题。提出了一种基于纹理脊线特征融合的检测方法,首先建立纹理脊线灰度和形态特征提取基本模型;然后分割出木材表面全部纹理区域,并根据模糊规则提取出条状纹理,包括裂缝和矿物线;最后根据建立的模型提取条状纹理的两种脊线特征,并进行特征信息融合得到复合判别因子,最终通过融合结果与预设阈值的数值关系识别裂缝纹理。在自建图库上进行了测试,结果显示所用方法对裂缝缺陷识别的等误率仅为4.64%,相对于其他经典特征提取和纹理识别方法其等误率最少降低了10.06%,表明了本方法的高效性,具有实际应用价值。     

基于局部马尔科夫模式的FPC薄浆缺陷检测

薄浆是柔性印刷电路板(FPC)导电涂层的一种缺陷,为避免其对电路性能产生不良影响而造成经济损失,检测薄浆位置从而进行修补或直接剔除板材均是合理的处理方式。FPC线路结构复杂,同时由于其线路涂层结构特性和采集环境因素影响,所获得的图像容易出现"斑点"噪声、光照不均匀等现象,这些因素导致了当前算法检测性能降低。针对该问题,提出了一种基于局部马尔科夫模式(LMP)的检测方案。首先给出LMP算法的基本模型,然后将预处理后FPC图像划分成大小均匀的区块,以降低光照影响;接着,提取各区块内部线路区域的直方图特征并以此为依据选取种子点,同时为各种子点赋予其作为缺陷的初始概率,进而计算其LMP值,并通过LMP的数值大小识别其中的薄浆缺陷像素。在自建图库SUT-F2上进行了测试,结果显示方法对薄浆缺陷检测的等误率仅为4.06%,相对于其他典型纹理特征提取和薄浆检测方法其等误率至少降低了5.14%,表明了方法的高效性,具有实际应用价值。     

基于局部二值差异激励模式的木材缺陷分类

针对木板表面裂缝和矿物线的区分问题,提出一种基于局部二值差异激励模式(LB_DEP)的方法。首先经预处理分割潜在缺陷区域,然后通过几何参数筛选呈线状的裂缝和矿物线。接着基于LBP与韦伯定律,建立反映图像纹理结构位置与差异激励关联关系的LB_DEP直方图。最后提取LBP和LB_DEP直方图特征,并融合特征数据,形成的特征向量作为SVM分类器的输入用于缺陷分类。提出的两种特征提取方法分别为"H-chi-square"法和"H-PCA"法,均在自建的数据集上进行了评估。结果显示,在两种特征提取方法下,本文算法分别获得了93. 7%和95. 8%的Recall,及95. 0%和96. 5%的Precision。与相似研究相比,Recall和Precision分别至少提高了3%和5%,且算法耗时均为毫秒级别,表现出方法的优势和有效性。     

基于纹理主、旁瓣特征的雪糕棒裂缝缺陷检测

裂缝是雪糕棒表面一种严重缺陷,对雪糕棒的加工和使用影响极大,然而部分又细又浅的裂缝与雪糕棒表面的木纤维纹络具有诸多相似之处,使得当前检测算法提取效果不佳。针对该问题,在对裂缝纹理及木纤维纹络的特征进行详细分析的基础之上,提出了一种基于纹理主瓣和旁瓣灰度特征相结合的检测方案。首先建立纹理主瓣和旁瓣灰度特征提取基本模型;然后提取雪糕棒表面头部全部纹理的边缘;接着,根据建立的模型提取上一步骤所得各边缘相应纹理的主瓣和旁瓣灰度特征量,并根据主瓣特征量的数值大小初步锁定其中属于裂缝纹理的候选边缘(其中包括全部的裂缝边缘和部分木纤维纹络边缘);最后,通过旁瓣特征量与预设阈值的数值关系识别出上一步骤候选边缘中的裂缝纹理边缘,从而实现裂缝缺陷的检测。在自建图库SUT-I3上进行了测试,结果显示所提方法在裂缝缺陷漏检率为0的前提下,其误检率低至6.07%,相对于其他雪糕棒或木材表面裂缝检测方法其误检率最少降低了9.29%,表明了所提方法的高效性,具有实际应用价值。     

基于机器视觉的木制压舌板裂纹自动拣选系统

针对压舌板表面裂纹缺陷的在线检测及劣品剔除问题,提出一种基于机器视觉的自动化检测系统。 首先基于对压舌板 及其裂纹特征的分析,设计了包含两组视觉检测机构的硬件装置。 该装置以链齿型传送带为基底,作为压舌板基本传送机构; 设计了链齿型传送带与反射型光电接近开关的特定装配模式,用于产生脉冲、提供系统时序;建立了基于多级缓存机制的系统 控制架构,协同调配时序脉冲触发、调用及使能各个硬件部件。 裂纹检测算法方面,采用一种基于方向空间显著性的方法。 首 先经 OTSU 算法、面积筛选以及形态学运算等预处理定位压舌板区域;然后基于方向空间显著性提取裂纹特征点,进而基于双 阈值连接限制生成候选裂纹线条;最后基于延展角度、起始位置等多维条件约束精确识别裂纹。 在实际生产现场对本文系统性 能进行了测试,结果显示,在检测效率为 11 支/ 秒的前提下,误检率低至 4. 17%,漏检率为 2. 68%,与当前人工检测方法相比分 别降低 6. 66%和 5. 36%,表现出优越的性能,具有较强的实际应用价值。     

基于子区域变尺度高斯拟合的木材表面缺陷识别

为了提高木材的使用效率、避免由于木材缺陷造成生产故障,根据木材缺陷类型对其分类处理是一种有效的手段,但木材缺陷复杂多样且具有诸多相似性使得类别区分成为难点。针对以上问题本文提出了一种基于子区域变尺度高斯拟合模型的缺陷识别方法。首先建立变尺度高斯拟合基本模型,然后将缺陷纹理分成若干子区域,提取各分区的高斯拟合特征并进行融合;将高斯融合特征及圆度和边缘直线度这两个几何特征输入到建立好的BP神经网络模型中进行训练,根据优化训练的网络模型识别缺陷。该方法对自建的SUT-W图库中雪糕棒图像上人工标定的裂缝、矿物线、矿物块和黑节子的准确识别率分别为91.72%、92.77%、92.67%和92.80%,与其他典型纹理检测方法相比,4种缺陷准确识别率最高分别提高9.38%、6.69%、13.55%和10.22%,说明本文方法能够有效地将以上4种缺陷分辨开,具有一定的实际应用价值。